> ## Documentation Index > Fetch the complete documentation index at: https://private-7c7dfe99-parallel-read-in-order-multi-part.mintlify.site/llms.txt > Use this file to discover all available pages before exploring further. > Función de agregación que calcula una predicción lineal al estilo de PromQL sobre series temporales en la cuadrícula especificada. # timeSeriesPredictLinearToGrid ## timeSeriesPredictLinearToGrid Introducida en: v25.6.0 Función de agregación que toma datos de series temporales como pares de marcas de tiempo y valores, y calcula una [predicción lineal similar a PromQL](https://prometheus.io/docs/prometheus/latest/querying/functions/#predict_linear) con un desplazamiento de marca de tiempo de predicción especificado a partir de estos datos, sobre una cuadrícula temporal regular definida por una marca de tiempo de inicio, una de finalización y un paso. Para cada punto de la cuadrícula, se consideran las muestras dentro de la ventana de tiempo especificada para calcular `predict_linear`. Las muestras se pueden pasar de una de estas tres formas: * como dos argumentos, `timestamp` y `value`, donde cada fila contiene una sola muestra; * como dos arrays de marcas de tiempo y valores, donde cada fila contiene una serie temporal completa; * como un único array de tuplas `(timestamp, value)`, donde cada fila contiene una serie temporal completa. Si varias muestras tienen la misma marca de tiempo, solo se utiliza una de ellas: la muestra con el valor más alto. Un valor NaN pierde frente a cualquier otro valor, por lo que solo se utiliza un valor NaN si todas las muestras en esta marca de tiempo son NaN. Esta función está en private preview; actívela configurando `enable_time_series_aggregate_functions=true`. **Sintaxis** ```sql theme={null} timeSeriesPredictLinearToGrid(start_timestamp, end_timestamp, grid_step, staleness, predict_offset)(timestamp, value) timeSeriesPredictLinearToGrid(start_timestamp, end_timestamp, grid_step, staleness, predict_offset)(samples) ``` **Parámetros** * `start_timestamp` — Especifica el inicio de la cuadrícula. Con un argumento de marca de tiempo `DateTime64`, también puede ser un número fraccionario o una cadena que contenga un número o texto de fecha y hora. [`UInt32`](/es/reference/data-types/int-uint) o [`DateTime`](/es/reference/data-types/datetime) o [`DateTime64`](/es/reference/data-types/datetime64) o [`Float*`](/es/reference/data-types/float) o [`Decimal*`](/es/reference/data-types/decimal) o [`String`](/es/reference/data-types/string) * `end_timestamp` — Especifica el final de la cuadrícula. Con un argumento de marca de tiempo `DateTime64`, también puede ser un número fraccionario o una cadena que contenga un número o texto de fecha y hora. [`UInt32`](/es/reference/data-types/int-uint) o [`DateTime`](/es/reference/data-types/datetime) o [`DateTime64`](/es/reference/data-types/datetime64) o [`Float*`](/es/reference/data-types/float) o [`Decimal*`](/es/reference/data-types/decimal) o [`String`](/es/reference/data-types/string) * `grid_step` — Especifica el intervalo de la cuadrícula en segundos. Con un argumento de marca de tiempo `DateTime64`, también puede ser un número fraccionario o una cadena que contenga un número o una duración como '15s' o '1m'. [`UInt32`](/es/reference/data-types/int-uint) o [`Float*`](/es/reference/data-types/float) o [`Decimal*`](/es/reference/data-types/decimal) o [`String`](/es/reference/data-types/string) * `staleness` — Especifica la "antigüedad" máxima, en segundos, de las muestras consideradas. La ventana de antigüedad es un intervalo abierto por la izquierda y cerrado por la derecha. Con un argumento de marca de tiempo `DateTime64`, también puede ser un número fraccionario o una cadena que contenga un número o una duración como '15s' o '1m'. [`UInt32`](/es/reference/data-types/int-uint) o [`Float*`](/es/reference/data-types/float) o [`Decimal*`](/es/reference/data-types/decimal) o [`String`](/es/reference/data-types/string) * `predict_offset` — Especifica el número de segundos de desplazamiento que se añadirán al tiempo de predicción. [`UInt32`](/es/reference/data-types/int-uint) o [`Float*`](/es/reference/data-types/float) o [`Decimal*`](/es/reference/data-types/decimal) o [`String`](/es/reference/data-types/string) **Argumentos** * `timestamp` — Marca de tiempo de la muestra. Puede tratarse de valores individuales o de arrays. [`UInt32`](/es/reference/data-types/int-uint) o [`DateTime`](/es/reference/data-types/datetime) o [`DateTime64`](/es/reference/data-types/datetime64) o [`Array(UInt32)`](/es/reference/data-types/array) o [`Array(DateTime)`](/es/reference/data-types/array) o [`Array(DateTime64)`](/es/reference/data-types/array) * `value` — Valor de la serie temporal correspondiente a la marca de tiempo. Puede tratarse de valores individuales o de arrays. [`Float*`](/es/reference/data-types/float) o [`Array(Float*)`](/es/reference/data-types/array) * `samples` — Muestras de la serie temporal pasadas como un array de tuplas `(timestamp, value)`, donde los elementos de la tupla tienen los tipos de marca de tiempo y de valor indicados anteriormente. Es una alternativa a pasar las marcas de tiempo y los valores como dos argumentos separados. [`Array(Tuple(T1, T2))`](/es/reference/data-types/array) **Valor devuelto** Valores de `predict_linear` en la cuadrícula especificada, como `Array(Nullable(Float64))`. El array devuelto contiene un valor por cada punto de la cuadrícula temporal. El valor es NULL si no hay suficientes muestras dentro de la ventana para calcular el valor del rate en un punto concreto de la cuadrícula. **Ejemplos** **Calcular los valores de predict\_linear en la cuadrícula \[90, 105, 120, 135, 150, 165, 180, 195, 210] con un desplazamiento de 60 segundos** ```sql title=Query theme={null} SET enable_time_series_aggregate_functions = 1; WITH -- NOTE: the gap between 140 and 190 is to show how values are filled for ts = 150, 165, 180 according to window parameter [110, 120, 130, 140, 190, 200, 210, 220, 230]::Array(DateTime) AS timestamps, [1, 1, 3, 4, 5, 5, 8, 12, 13]::Array(Float32) AS values, -- array of values corresponding to timestamps above 90 AS start_ts, -- start of timestamp grid 90 + 120 AS end_ts, -- end of timestamp grid 15 AS step_seconds, -- step of timestamp grid 45 AS window_seconds, -- "staleness" window 60 AS predict_offset -- prediction time offset SELECT timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamp, value) FROM ( -- This subquery converts arrays of timestamps and values into rows of `timestamp`, `value` SELECT arrayJoin(arrayZip(timestamps, values)) AS ts_and_val, ts_and_val.1 AS timestamp, ts_and_val.2 AS value ); ``` ```response title=Response theme={null} ┌─timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamp, value)─┐ │ [NULL,NULL,1,9.166667,11.6,12.5,NULL,NULL,16.5] │ └─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘ ``` **Misma consulta con argumentos de tipo array** ```sql title=Query theme={null} SET enable_time_series_aggregate_functions = 1; WITH [110, 120, 130, 140, 190, 200, 210, 220, 230]::Array(DateTime) AS timestamps, [1, 1, 3, 4, 5, 5, 8, 12, 13]::Array(Float32) AS values, 90 AS start_ts, 90 + 120 AS end_ts, 15 AS step_seconds, 45 AS window_seconds, 60 AS predict_offset SELECT timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamps, values); ``` ```response title=Response theme={null} ┌─timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamps, values)─┐ │ [NULL,NULL,1,9.166667,11.6,12.5,NULL,NULL,16.5] │ └───────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘ ```